MODEL METHODS

模型评价要看它如何犯错

热点残基属于少数类，整体准确率可能掩盖漏检。评价模型应同时阅读数据切分、召回率和独立测试。

SVM适合怎样的边界

讨论SVM适合怎样的边界时，热点残基在界面残基中通常属于少数类，针对SVM适合怎样的边界，若模型把大多数样本都判断为非热点，整体准确率仍可能很好看，因此评价必须同时考虑召回率、特异性、精确率和类别比例，针对SVM适合怎样的边界，并把这些条件放进模型评价要看它如何犯错的具体使用场景，便于核对限制。

讨论集成模型为什么有帮助时，重采样、类别权重与集成学习可以缓解不平衡，却会改变模型的错误结构，针对集成模型为什么有帮助，选择方法前应先决定漏掉热点和错误标记热点分别会造成什么代价，针对集成模型为什么有帮助，并把这些条件放进模型评价要看它如何犯错的具体使用场景，便于核对限制。

讨论XGBoost与特征选择时，独立测试集必须与训练资料保持真正隔离，针对XGBoost与特征选择，来自相似复合物、同源链或重复突变的样本若跨越数据切分，会让模型表现显得比真实应用更理想，针对XGBoost与特征选择，并把这些条件放进模型评价要看它如何犯错的具体使用场景，便于核对限制。

讨论类别不平衡的评价指标时，热点残基在界面残基中通常属于少数类，针对类别不平衡的评价指标，若模型把大多数样本都判断为非热点，整体准确率仍可能很好看，因此评价必须同时考虑召回率、特异性、精确率和类别比例，针对类别不平衡的评价指标，并把这些条件放进模型评价要看它如何犯错的具体使用场景，便于核对限制。

讨论交叉验证和同源泄漏时，重采样、类别权重与集成学习可以缓解不平衡，却会改变模型的错误结构，针对交叉验证和同源泄漏，选择方法前应先决定漏掉热点和错误标记热点分别会造成什么代价，针对交叉验证和同源泄漏，并把这些条件放进模型评价要看它如何犯错的具体使用场景，便于核对限制。

讨论模型更新与固定验证集时，独立测试集必须与训练资料保持真正隔离，针对模型更新与固定验证集，来自相似复合物、同源链或重复突变的样本若跨越数据切分，会让模型表现显得比真实应用更理想，针对模型更新与固定验证集，并把这些条件放进模型评价要看它如何犯错的具体使用场景，便于核对限制。